利用MODIS和Landsat数据，在不同农业气候区检测耕地废弃和人工造林现象

《Ecological Informatics》：Detecting cropland abandonment and intentional afforestation using MODIS and landsat across agroclimatic zones

植被 phenological 参数与NDVI时间序列结合可有效区分故意造林与撂荒地自然演替，研究通过MODIS-Landsat数据融合与LandTrendr算法分析，在河北、甘肃、云南三区实现90.5%整体精度（95%CI:86.4%-94.6%），揭示了地形、气候与政策对造林时空分布的影响

　　在当前全球对生态环境保护和碳中和目标的重视下，农业用地的恢复与生态修复成为研究热点。本文探讨了通过遥感技术识别和监测废弃农田上的人为造林活动，以及与自然演替的区分方法。研究的背景在于，农业用地的废弃通常伴随着土地退化问题，而人为造林作为一种生态修复手段，可以有效提升碳汇能力，同时不与粮食生产产生冲突。然而，由于人为造林与自然演替在光谱特征上具有高度相似性，因此如何准确区分这两种现象成为遥感监测中的关键挑战。

研究聚焦于中国“退耕还林”政策下的大型生态工程，采用融合的中分辨率成像光谱仪（MODIS）与陆地卫星（Landsat）数据，结合归一化植被指数（NDVI）和变异系数（CV）方法，分析关键作物生长阶段的植被变化率，从而识别出农田废弃的热点区域。随后，研究团队利用Landsat数据集的“土地变化趋势检测”算法（LandTrendr）对2000年至2022年的NDVI时间序列进行处理，以检测土地利用变化趋势，识别出造林活动的转折点和绿化趋势。研究结果表明，将NDVI轨迹与区域物候参数结合，能够有效区分人为造林与自然演替，整体识别准确率达到90.5%（95%置信区间：86.4%–94.6%）。该方法不仅为监测农业用地的生态修复提供了有效框架，也为评估区域生态修复成效提供了有价值的数据支持。

研究的背景源于对土地退化问题的广泛关注。土地退化是全球生态危机的重要组成部分，其主要表现包括土壤侵蚀、土地荒漠化以及农业用地的丧失。在这一背景下，许多国家，包括欧洲、中国、印度等地，都推动了造林计划，以加速废弃农业用地向森林的转变。这些造林活动在减缓土地退化、增强土壤有机碳封存、提升区域生物多样性以及应对气候变化等方面发挥着重要作用。然而，如何有效监测人为造林活动仍是当前遥感技术面临的挑战之一。尤其是，由于自然演替与人为造林在植被生长阶段表现出相似的光谱特征，传统的遥感监测方法在区分这两种土地利用变化时存在困难。这种光谱相似性导致了对废弃农业用地面积估算的不一致性，同时也使得植被变化轨迹的识别变得复杂。

当前的研究主要依赖于已有的土地覆盖数据集或土地覆盖变化图。然而，这些分析通常采用简化的决策规则，忽视了农业用地废弃后植被演替的早期阶段，可能导致对造林活动起始时间和空间分布的误判。此外，尽管实地调查和监测站点统计数据能够提供高精度的观测结果，但它们缺乏空间连续性，难以描述大规模区域内的造林模式，也无法捕捉土地转换过程中的详细时间动态。因此，要准确估算人为造林活动，首先需要生成可靠的农业用地地图，然后利用时间密集型的遥感数据追踪后续的森林恢复过程。

为了克服这些局限性，本研究开发了一种新的多源数据融合框架，整合MODIS和Landsat数据，以重建具有高空间和时间分辨率的NDVI时间序列。通过结合这些融合数据集与基于物候的指标，以及使用LandTrendr算法进行时间序列分割，研究人员能够定量描述人为造林在废弃农业用地上的年际动态变化。这一方法通过分析植被变化轨迹，有效区分了人为造林与废弃农业用地。最终，研究团队对所提出方法的准确性进行了评估，并绘制了人为造林在废弃农业用地上的时空分布图。

在具体方法上，研究采用了时间序列分析技术，首先通过图像融合方法处理MODIS和Landsat数据，生成连续的NDVI时间序列。为了确保不同传感器之间的辐射一致性，采用了跨传感器校准系数对地表反射率进行标准化。由于Landsat图像的获取受云覆盖和降水的影响，存在一定的缺失数据问题，因此在某些时间段，研究人员通过MODIS图像进行补充，以提高数据的完整性。此外，研究还采用了最大值合成方法，以生成连续的8天时间窗口内的空间连续图像，为后续的物候分析提供支持。

在物候分析方面，研究采用TIMESAT模型模拟主要农作物的生长季节，并利用Savitzky-Golay滤波器对NDVI时间序列进行拟合。基于拟合曲线，采用动态阈值方法提取作物物候参数，以区分不同作物类型。通过比较不同区域的作物物候特征，研究人员能够识别出农业用地的废弃热点区域。这一过程还结合了变异系数（CV）方法，以分析植被变化率和CV值，从而进一步区分农业用地和自然植被。在废弃农业用地的识别过程中，研究人员还通过分析不同植被类型的NDVI变化率和CV值，建立了区分农业用地和自然植被的阈值体系。

研究中还采用了LandTrendr算法对NDVI时间序列进行时间分割，以识别植被变化趋势。该算法能够将植被变化视为一系列连接的线性段，并通过设定参数，有效减少短期扰动对植被变化趋势的影响。通过调整算法参数，研究团队能够准确捕捉植被变化的长期趋势，同时避免短期变化的干扰。此外，研究还利用了4500个随机生成的样本，结合Google Earth的历史图像进行人工校验，以确保造林活动和废弃农业用地的识别结果的准确性。

研究的验证部分采用了混淆矩阵，以评估所提出方法的准确性和鲁棒性。通过比较实际土地利用类型与模型预测结果，研究人员计算了生产者精度（PA）、用户精度（UA）和总体精度（OA）。结果表明，所提出的方法在识别废弃农业用地和人为造林活动方面具有较高的准确率。此外，研究还对不同作物成熟周期和农业气候区的识别效果进行了分析，发现单季作物的识别效果优于多季作物，而高纬度和干旱地区则表现出更高的识别精度。这些结果为政策制定者提供了关于土地利用变化的详细信息，并有助于评估生态修复项目的实施效果。

研究还探讨了人为造林在废弃农业用地上的时空变化特征。例如，研究发现，人为造林活动在不同地区的时间分布存在显著差异。在甘肃、陕西和四川等省份，退耕还林计划最早实施，因此在这些地区的废弃农业用地上的造林活动主要集中在2000年至2005年之间。而在云南等省份，造林活动则主要集中在2010年之后。这种时间分布的差异可能与政府补贴政策、区域经济条件以及农业用地的自然条件有关。此外，地形因素对造林活动的时空分布也有重要影响，陡坡农业用地通常更早开始恢复，而平地农业用地则倾向于集中恢复。

研究还发现，造林面积与坡度密切相关。在超过6度的坡地上，超过85%的造林活动发生，而超过15度的坡地则占到了总造林面积的61.2%。这一发现与退耕还林政策的目标相一致，即优先恢复陡坡农业用地。然而，随着气候变化的影响，一些地区的生长周期和植被恢复速率可能发生变化，从而影响造林活动的识别。因此，未来的研究可以考虑将气候变化因素纳入长期监测框架，以提高方法的适应性和准确性。

此外，研究还发现，人为造林活动的扩张与政府的土地补偿政策相关，但存在一定的时间滞后。这种滞后可能源于区域经济差异，导致补偿措施不完善，进而降低土地所有者的参与意愿。同时，研究还指出，大规模的森林扩张可能发生在平地农业用地，这可能与政策目标相悖，并对粮食安全构成潜在威胁。因此，监测造林活动是否超出计划范围，以及评估生态修复目标的实现情况，对于制定更加合理的土地管理政策具有重要意义。

尽管本研究在识别人为造林和自然演替方面取得了显著进展，但仍存在一些局限性。例如，研究依赖于高质量的时空连续遥感数据，而图像融合方法虽然能够减少数据缺失，但仍可能受到传感器之间反射率差异的影响。此外，由于农业用地的轮作和季节性休耕，可能导致植被变化轨迹的不连续，从而影响模型的准确性。未来的研究可以考虑结合多源遥感数据和多种植被指数，以提高对植被变化趋势的识别能力。同时，将更多的空间变量纳入分析，如土壤质量、温度、降水和坡度，也有助于更全面地评估人为造林在不同环境和社会经济条件下的动态变化。